Hybrid Non-informative and Informative Prior Model-assisted Designs for Mid-trial Dose Insertion

Resumo Técnico: Projetos Híbridos de Priori Não-Informativa e Informativa para Inserção de Doses no Meio do Ensaio

1. Problema e Motivação

Em ensaios clínicos de Fase I em oncologia, o objetivo principal é identificar a Dose Máxima Tolerada (DMT) ou a Dose Biológica Ótima (DBO). Projetos assistidos por modelos, como o Bayesian Optimal Interval (BOIN), são amplamente adotados por sua simplicidade operacional e precisão. No entanto, em muitos cenários reais (ex.: primeiros ensaios em humanos), a seleção inicial de doses baseada em dados pré-clínicos pode ser inadequada.

Isso pode levar à necessidade de inserção de uma dose intermediária durante o ensaio em andamento. Ocorre frequentemente quando:

• Uma dose mais alta apresenta toxicidade excessiva, mas eficácia observada.
• A dose imediatamente inferior não apresenta toxicidade, mas também não mostra eficácia.
• Surge a necessidade de explorar um intervalo entre duas doses já testadas.

O desafio estatístico reside em como atribuir essa nova dose. Projetos tradicionais (não-informativos) ignoram a experiência acumulada nas doses adjacentes, enquanto projetos puramente informativos podem ser rígidos. O artigo propõe uma solução para melhorar a atribuição de doses e a seleção da DMT/DBO ao inserir uma nova dose, aproveitando as informações de toxicidade e eficácia das doses adjacentes já tratadas.

2. Metodologia Proposta

Os autores propõem um projeto híbrido que combina a simplicidade de designs não-informativos (BOIN/BOIN-ET) com a eficiência de designs informativos (iBOIN/iBOIN-ET), aplicados especificamente à dose recém-inserida.

A. Estrutura Híbrida:

• Doses Pré-especificadas: Continuam sendo governadas por um design não-informativo (BOIN ou BOIN-ET).
• Dose Inserida ($d^*$): Recebe um design com priori informativa, utilizando dados acumulados das doses adjacentes para construir o "esqueleto" (distribuição a priori das probabilidades de toxicidade/eficácia) e o tamanho de amostra efetivo (ESS).

B. Construção do Esqueleto e ESS (Tamanho de Amostra Efetivo):
Para a nova dose $d^*$, os autores propõem métodos para estimar a probabilidade de toxicidade ($p_T$) e eficácia ($p_E$):

1. Esqueleto de Toxicidade: Estimado ajustando um Modelo de Regressão Logística Bayesiana (BLRM) aos dados das doses existentes.
2. Esqueleto de Eficácia: Como a eficácia pode não ser monotônica, utiliza-se um modelo de regressão logística com polinômios fracionários de segundo grau.
3. Cálculo do ESS: Diferente do tamanho de amostra efetivo prévio (PESS) fixo, os autores propõem um ESS dependente dos dados, calculado a partir da média e variância posteriores da distribuição Beta aproximada da probabilidade estimada. Um fator de escala ($\gamma$) é aplicado para evitar empréstimo excessivo de informações.

C. Abordagens Adaptativas para Robustez:
Para mitigar erros de especificação do esqueleto (quando o modelo inicial diverge da realidade observada), são propostas duas extensões adaptativas:

1. Aprendizado Online (Online-weighting): Utiliza o algoritmo Hedge (exponencialmente ponderado) para atualizar dinamicamente os pesos entre o esqueleto inicial e um esqueleto atualizado com novos dados. Isso permite que o modelo "aprenda" qual estrutura explica melhor os dados observados na dose inserida.
2. Mistura Bayesiana (Bayesian-mixture): Combina múltiplos esqueletos candidatos (o estimado pelo BLRM, a toxicidade da dose imediatamente superior e a da dose imediatamente inferior) usando uma média ponderada com pesos derivados de uma distribuição Dirichlet. Isso aumenta a robustez contra a má especificação do modelo.

D. Controle de Borrowing (Empréstimo de Informação):
Foi introduzido um limiar ($c$) para comparar a probabilidade de toxicidade estimada pelo esqueleto com a probabilidade empírica observada. Se a diferença for grande (indicando que o esqueleto subestima a toxicidade), o empréstimo de informação é bloqueado para evitar decisões perigosas.

3. Contribuições Principais

• Primeira Abordagem Híbrida: É o primeiro trabalho a integrar um design assistido por modelo não-informativo com uma extensão de priori informativa especificamente para o cenário de inserção de dose no meio do ensaio.
• Flexibilidade Operacional: Mantém a simplicidade e transparência dos designs BOIN para as doses originais, adicionando complexidade apenas na dose inserida, onde é necessária.
• Métodos de Atualização Adaptativa: Propõe mecanismos (Online Learning e Mistura Bayesiana) para corrigir erros de especificação do modelo em tempo real, algo crítico em ensaios com poucos pacientes por dose.
• Extensão para Eficácia: O método é aplicável não apenas à toxicidade (MTD), mas também à seleção de Dose Biológica Ótima (OBD) considerando eficácia (BOIN-ET).

4. Resultados das Simulações

Os autores avaliaram os métodos através de estudos de simulação com cenários fixos e aleatórios.

• Cenários Fixos:

  • Quando a dose inserida tinha toxicidade no nível ou abaixo do alvo (TTL), o método híbrido superou o BOIN padrão na taxa de seleção correta da DMT.
  • Quando a dose inserida era excessivamente tóxica, o método com limiar $c=0$ (que bloqueia o empréstimo se houver discrepância) performou de forma comparável ao BOIN padrão, evitando a seleção de doses perigosas.
  • A abordagem de Mistura Bayesiana mostrou-se particularmente robusta, melhorando a seleção da DMT e controlando a toxicidade excessiva independentemente do valor de $c$.
  • Para BOIN-ET, os métodos híbridos aumentaram a probabilidade de seleção correta da DBO, especialmente em cenários onde a dose intermediária era promissora.

• Cenários Aleatórios:

  • Os métodos propostos não performaram pior que o BOIN/BOIN-ET padrão.
  • Embora a melhoria na taxa de seleção correta não tenha sido drástica em todos os cenários aleatórios, a estabilidade e o controle de toxicidade foram mantidos.
  • A abordagem de "aprendizado online" mostrou-se menos estável para eficácia em comparação com a abordagem de mistura.

5. Significância e Conclusão

Este trabalho oferece uma solução prática e estatisticamente fundamentada para um problema comum em ensaios clínicos de oncologia: a necessidade de ajustar o desenho do estudo (inserção de doses) sem comprometer a integridade estatística ou a segurança dos pacientes.

• Segurança: O uso de limiares de verificação e abordagens de mistura garante que informações históricas não sejam cegamente aplicadas se os dados observados contradisserem o modelo.
• Eficiência: Ao aproveitar dados de doses adjacentes, o método acelera a convergência para a dose correta, reduzindo o número de pacientes expostos a doses subótimas.
• Aplicabilidade: O framework é modular e pode ser adaptado para outros designs assistidos por modelos (como mTPI ou Keyboard), tornando-se uma ferramenta valiosa para a comunidade de desenvolvimento de fármacos, alinhando-se com iniciativas modernas como o Project Optimus que focam na otimização de dose baseada em benefício-risco.

Em resumo, o estudo valida que a combinação inteligente de designs não-informativos e informativos, com mecanismos de correção adaptativa, melhora a tomada de decisão em ensaios de Fase I dinâmicos.